1.基于残差DNN的1‑比特大规模MIMO信道估计方法，该方法基于单小区点对点大规模MIMO通信场景，考虑信道为平坦快衰落模型，基站端配备M根天线，用户端配备N根天线，基站端的每根天线配备有一个1‑比特ADC，分别量化接收到的信号的实部(Re)与虚部(Im)，其特征在于，所述方法包括以下步骤：

S1.用户端所有天线向基站发送导频信号，第n根发射天线与第m根接收天线之间的信道响应表达式为 其中λ为波长，l为路径索引数，αl为第l条路径增益，P为总的路径数， 表示第n根发射天线与第m根接收天线沿着第l条路径的距离；根据信道模型和发送长度为τ的导频信号，基站端天线接收到信号矩阵，得到对应的接收信号矩阵YpH

＝HS+Np，其中 为接收信号， 为导频矩阵，满足SS＝τIN， 为已知高斯噪声矩阵；将接收信号矩阵Yp向量化，得到向量化后的接收信号yp，yp＝vec(Yp)＝Φh+np，其中 np＝vec(Np)；

S2.将向量化后的接收信号yp经过1‑比特ADC进行量化处理，分别对其实部和虚部进行量化，得到量化信号rp，

S3.根据每个随机信道h，生成一个对应的1‑比特ADC量化结果rp，得出深度残差神经网络对应的训练样本为(h,rp)，按此方式生成所需的训练集、验证集，以及在线训练所需的测试集；

S4.基于tensorflow平台，训练过程中按照步骤S3中的生成训练样本方法，总共生成训练集70000个，验证集30000个，将初始学习率设置为0.001,采用Adam优化器和批量梯度下降法进行多轮训练，直至达到设定的总迭代次数后训练完成，对于第p个1‑比特ADC量化信号rp，输入提出的残差深度神经网络(DNN)后，得到输出其中 为h的估计值；Wn为第n层与n‑1层之间的权重矩阵，σn(·)为第n层神经网络所使用的激活函数，训练的损失函数为

S5.将S4中训练好的深度残差神经网络配置在基站端，用于在线阶段的信道估计；

S6.用户向基站发送导频信号，将由用户发送且经基站天线接收并量化的导频信号输入配置在基站端的深度残差神经网络,获得用户到基站端的所有天线的估计信道。

2.根据权利要求1所述的基于残差DNN的1‑比特大规模MIMO信道估计方法，其特征在于，所述步骤S6的具体方法为：

用户通过信道H向基站发送导频信号X,基站端的接收信号矩阵的向量化形式为yn＝vec(Yn)＝Φh+nn，经过1‑比特ADC量化处理后得到预测样本将预测样本输入深度残差神经网络进行在线估计，得到h的估计